1.术语解释
2.SparkCore和SparkSQL知识点思维导图整理
https://download.csdn.net/download/qq_33283652/10890863
3.RDD的宽窄依赖
相同的key去同一个分区，但一个分区可以用不同的key
RDD窄依赖：
父RDD与子 RDD partition之间的关系是一对一或多对一，例如rdd1与rdd2，rdd2与rdd3
RDD宽依赖（shuffle）：
父RDD与子 RDD partition之间的关系是一对多，例如rdd3与rdd4
4.stage
partition中存储的是处理逻辑，不存数据
spark处理数据模式（pipeline计算模式）：
rdd1取出一条数据处理，将结果传给rdd2，rdd2处理后传给rdd3，rdd3处理后存入磁盘中，然后rdd1再取出一条数据处理，直到处理完所有数据。
扩展：
- Stage的并行度由finalRDD的partition个数决定。
- 管道中的数据在shuffle write和RDD持久化时写入磁盘中
5.Spark资源调度和任务调度的流程
启动集群后，Worker节点会向Master节点汇报资源情况，Master掌握了集群资源情况。当Spark提交一个Application后，根据RDD之间的依赖关系将Application形成一个DAG有向无环图。任务提交后，Spark会在Driver端创建两个对象：DAGScheduler和TaskScheduler，DAGScheduler是任务调度的高层调度器，是一个对象。DAGScheduler的主要作用就是将DAG根据RDD之间的宽窄依赖关系划分为一个个的Stage，然后将这些Stage以TaskSet的形式提交给TaskScheduler（TaskScheduler是任务调度的低层调度器，这里TaskSet其实就是一个集合，里面封装的就是一个个的task任务,也就是stage中的并行度task任务），TaskSchedule会遍历TaskSet集合，拿到每个task后会将task发送到计算节点Executor中去执行（其实就是发送到Executor中的线程池ThreadPool去执行）。task在Executor线程池中的运行情况会向TaskScheduler反馈，当task执行失败时，则由TaskScheduler负责重试，将task重新发送给Executor去执行，默认重试3次。如果重试3次依然失败，那么这个task所在的stage就失败了。stage失败了则由DAGScheduler来负责重试，重新发送TaskSet到TaskSchdeuler，Stage默认重试4次。如果重试4次以后依然失败，那么这个job就失败了。job失败了，Application就失败了。
TaskScheduler不仅能重试失败的task,还会重试straggling（落后，缓慢）task（也就是执行速度比其他task慢太多的task）。如果有运行缓慢的task那么TaskScheduler会启动一个新的task来与这个运行缓慢的task执行相同的处理逻辑。两个task哪个先执行完，就以哪个task的执行结果为准。这就是Spark的推测执行机制。在Spark中推测执行默认是关闭的。推测执行可以通过spark.speculation属性来配置。
注意：
- 对于ETL类型要入数据库的业务要关闭推测执行机制，这样就不会有重复的数据入库。
- 如果遇到数据倾斜的情况，开启推测执行则有可能导致一直会有task重新启动处理相同的逻辑，任务可能一直处于处理不完的状态。
